本文详细介绍了上下文工程的概念及其重要性，尤其针对大模型（LLM）的应用。文章首先解释了“上下文”在智能体系统中的核心作用，随后阐述了智能体运作所需的六种上下文类型，包括指令、示例、知识、记忆、工具和护栏。接着，文章以“内存”为比喻，形象地说明了上下文工程的关键要素，并提出了四个基本阶段：编写上下文、读取上下文、压缩上下文和隔离上下文。每个阶段都有其特定的方法和目标，旨在优化信息流，确保LLM能够高效地执行任务。最后，文章强调了上下文工程在人工智能应用开发中的重要性，并指出这是一个持续优化和改进的过程，帮助开发者构建更强大的智能体系统。

什么是上下文工程

简单来说，上下文工程是一门艺术和科学，其核心目标是将正确的信息、以正确的格式、在正确的时间传递给你的 LLM。这听起来可能很简单，但实际上涉及到许多细微的考虑因素和技术决策。

以下是知名人工智能专家 Andrej Karpathy 关于上下文工程的一句名言，它深刻地阐明了这一领域的重要性。他指出，上下文工程实际上是在为语言模型创造一个理想的工作环境，使其能够充分发挥其潜力。

理解上下文的含义

要深入理解上下文工程，首先必须透彻理解"上下文"这个核心概念的本质。在传统的软件开发中，我们习惯了明确输入和输出的模式，但语言模型的工作方式有着本质的不同。语言模型的表现高度依赖于它所接收到的上下文信息，而上下文的质量直接影响着模型的输出质量。

值得注意的是，当今的智能体已经演变成远不止简单的聊天机器人。它们是复杂的系统，能够执行多样化的任务，从数据分析到代码生成，从信息检索到决策支持。这种进化使得上下文工程变得更加关键和复杂。

智能体所需的六种上下文类型

下面的图表总结了一个智能体正常运作所需的六种上下文类型，这些类型共同构成了智能体理解和执行任务的基础：

指令构成了智能体行动的核心指导原则。它们定义了智能体应该做什么、如何做以及在什么情况下采取什么行动。指令可以是高层次的策略描述，也可以是具体的行为规范。

示例为智能体提供了期望行为的参照。通过展示正确完成任务的例子，智能体能够更好地理解人类的期望，并在类似情境中复现正确的响应模式。

知识是智能体完成任务所需的信息基础。这包括事实性知识、领域专业知识以及一般性的世界常识。知识可以来自外部知识库，也可以内置于智能体的训练数据中。

记忆使智能体能够跨会话保持信息的连续性。这类似于人类的长期记忆，允许智能体记住之前的交互、用户偏好和重要事件。

工具扩展了智能体的能力范围。通过访问各种工具和API，智能体可以执行计算、搜索信息、操作文件等超出其原生能力的任务。

护栏确保智能体的行为在安全和适当的范围内。它们作为安全机制，防止智能体产生有害或不适当的输出。

这六种上下文类型共同作用，缺一不可。它们告诉我们，仅仅对智能体进行简单的"提示"是不够的。你必须工程化输入的上下文，就像精心设计一个程序的输入数据一样重要。

上下文作为内存的比喻

将这个概念具象化可以帮助我们更好地理解：

如果把 LLM 想象成计算机的 CPU，那么上下文窗口就相当于 RAM 内存。你正在用完美的指令对这片"内存"进行编程，使其能够高效地执行特定任务。就如同优秀的程序员会精心优化内存使用一样，优秀的上下文工程师会精心设计上下文的内容和结构。

这个比喻揭示了一个重要的事实：上下文工程不仅仅是关于"说什么"，更是关于"怎么说"和"在什么时候说"。它涉及到信息的组织方式、呈现顺序以及内容详略程度。

上下文工程的四个基本阶段

那么，我们究竟如何进行上下文工程呢？这个过程可以分解为四个基本阶段，每个阶段都有其特定的目标和方法：

编写上下文、选择上下文、压缩上下文和隔离上下文。让我们逐一深入了解每个阶段。

第一阶段：编写上下文

编写上下文意味着将信息保存在上下文窗口之外，以帮助智能体执行任务。这是一个主动创建和组织信息的过程，为智能体提供一个丰富的信息基础。

你可以通过多种方式来编写上下文：

长期记忆是一种跨会话持久化信息的方法。智能体可以在一次会话中存储重要信息，并在后续会话中检索和使用这些信息。例如，智能体可以记住用户的偏好设置、之前讨论的主题或重要的历史交互。

短期记忆则在单个会话内保持信息。当智能体处理一个复杂任务时，短期记忆允许它在处理过程中暂存中间结果和临时信息。

状态对象提供了一种结构化的方式来组织和存储信息。它们允许你创建复杂的数据结构，可以包含多种类型的信息，并且可以灵活地进行查询和更新。

第二阶段：读取上下文

读取上下文意味着将信息从外部源拉入上下文窗口，以帮助智能体执行任务。这是将预存信息转化为可用上下文的关键步骤。

现在，这些上下文可以从多种来源拉取：

从工具中，智能体可以获取实时数据、执行计算结果或特定功能返回的信息。工具调用结果往往包含高度专业化的信息，对于完成特定任务至关重要。

从记忆系统中，智能体可以检索之前存储的个人信息、偏好设置或历史交互记录。这些信息帮助智能体提供更加个性化和连贯的服务。

从知识库，包括文档和向量数据库中，智能体可以获取结构化的专业知识。这些知识库可以包含海量的专业文档、技术手册或参考材料，为智能体提供丰富的知识支持。

第三阶段：压缩上下文

压缩上下文是一个至关重要的优化步骤，其核心思想是只保留任务所需的 tokens。在实际应用中，检索到的上下文往往包含大量重复或冗余的信息，特别是在多轮工具调用的场景中。这些冗余信息不仅消耗宝贵的上下文空间，还会导致成本增加和处理效率降低。

上下文压缩技术在这里发挥着关键作用。通过智能摘要算法，我们可以提取信息的关键要点，去除重复内容，并用更紧凑的表示形式替代冗长的描述。这种方法在保持关键信息完整性的同时，显著减少了token资源消耗。

第四阶段：隔离上下文

隔离上下文涉及将信息拆分，以帮助智能体更高效地执行任务。当面对复杂的多方面任务时，将不同类型的信息隔离开来可以避免相互干扰，提高处理的专业性和准确性。

一些流行的隔离方法包括：

使用多个智能体或子智能体，每个拥有自己独立的上下文。这种方法允许不同专业领域的智能体并行工作，每个专注于其特定的任务范围。例如，一个智能体可能专门处理用户查询，而另一个智能体负责后台数据分析。

使用沙盒环境进行代码存储和执行。沙盒提供了一种安全隔离的方式，让智能体可以操作代码而不会影响主系统的稳定性。这对于需要执行可能存在风险的代码片段特别有用。

使用状态对象来维护不同任务或会话之间的信息隔离。状态对象允许你创建清晰的信息边界，防止数据混淆和意外交互。

上下文工程的工作流程

所以从本质上讲，当你构建一个上下文工程工作流程时，你实际上是在工程化一个"上下文"管道。这个管道的目标是确保 LLM 能够在正确的时间、以正确的格式看到正确的信息。

这正是上下文工程的核心工作方式！它并不涉及什么花哨或复杂的技术，而是一种系统化的方法，通过精心设计和优化信息流，使智能体能够发挥最佳性能。

就像优秀的厨师会精心挑选和准备食材一样，优秀的上下文工程师会精心选择和组织信息。每一个决策，从选择哪些信息到如何呈现它们，都会对最终结果产生影响。

结语

上下文工程代表了人工智能应用开发的一个重要进化。它提醒我们，在追求更强大的人工智能系统的过程中，我们不能忽视基础架构的重要性。正如优秀的程序员知道，精彩的代码不仅在于算法本身，还在于如何有效地管理和利用数据。

通过理解并应用这四个基本阶段的原理，我们可以构建更加高效、可靠和强大的智能体系统。上下文工程不是一次性设置就完成的工作，而是一个持续优化和改进的过程。随着你对这些原则的深入理解，你将能够创建越来越复杂的智能体应用，真正释放人工智能的潜力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2026年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】